Jun, 2023

基于神经 ODE 的同胚配准场心脏超声图像分割

PDF
TL;DR该研究使用神经常微分方程 (Echo-ODE) 方法对超声心动图像进行分割以进行图像配准，通过解决连续 ODE 实现更平滑的分割，并在整个序列中保留分割地图的拓扑结构，同时保持与时间的一致性，其平均绝对误差为 2.7-3.1。
convolutional neural networkscardiac ultrasound imagesimage registrationneural ordinary differential equationsechocardiography segmentation
发现论文，激发创造
  • 基于神经常微分方程的序贯图像配准用于动态特征描述

    通过利用神经常微分方程（ODE）进行图像配准，本研究论文讨论了如何利用该框架来帮助表征顺序生物过程，从而更好地理解医学图像分析中的生物动态，该方法可以从数据中直接学习动态，并使用序列数据来规范转换轨迹。

    Apr, 2024

  • 利用神经常微分学习优化进行 MRI 图像重建

    本文提出将 MRI 图像重建问题作为一种优化问题，使用神经 ODE 模型其优化轨迹，并探究了基于三种 ODE 求解的模型，相比 UNet 和级联 CNN 等其他方法，模型表现更好，参数效率更高，从而引入一种新的通过神经 ODE 建模连续优化动力学的 MRI 重建方式。

    Jun, 2020

  • Vid-ODE：使用神经常微分方程进行连续时间视频生成

    本文提出了一种结合神经 ODE 和像素级视频处理技术的连续时间视频生成方法，能够处理具有任意时间步长的输入视频，并在真实世界视频数据集上验证该方法的超越性能。

    Oct, 2020

  • 用神经常微分方程进行个体结肠腺体语义分割

    本篇研究使用 Neural Ordinary Differential Equations（NODE）和 U-Net 架构来改进医学图像分割，并在 GlaS 数据集上证明，它可以提高分割结果同时降低内存负载和参数数量。

    Oct, 2019

  • 使用开放大规模数据集的深度学习在二维超声心动图中的分割

    本论文介绍了一个新的用于心脏超声检测的数据集 CAMUS，并评估了使用深度卷积神经网络方法自动分割心脏结构以及估计临床指标的效果，结果表明此方法优于传统非深度学习方法，但仍需改进，可用于 2D 心脏超声图像准确且自动化的分析。

    Aug, 2019

  • 利用光流网络从短轴 Cine MRI 进行左心室分割：保留心动运动的时间连贯性

    提出了一种基于卷积神经网络的新的左心室分割算法，能够充分利用心脏运动的时间一致性，从而显著提高左心室分割的精度。该算法在 Cardiac Atlas 数据库上进行了训练和测试，结果表明，在 Dice 系数和平均垂直距离等指标上都明显优于原有的 U-net 模型。

    Oct, 2018

  • 记忆神经微分方程及正交多项式投影

    本研究提出了 PolyODE，一种基于正交多项式投影的神经常微分方程模型，用于学习动态系统，以实现长期记忆和整体表示，优于先前的模型在数据重建和下游预测任务中的性能。

    Mar, 2023

  • 连续学习的原始对偶算法

    神经常微分方程（Neural ODEs）在深度学习文献中取得了巨大成功，最近提出了连续版本的 U-net 架构，在图像应用中显示出比离散版本更高的性能，并围绕其性能和鲁棒性提供了理论保证。本文探讨了使用神经 ODE 解决学习逆问题的可能性，尤其是在已知的学习 Primal Dual 算法中，并将其应用于 CT 重建。

    May, 2024

  • ORRN: 一种基于 ODE 的递归配准网络，用于肺 4DCT 图像的可变形呼吸运动估计

    本文提出了一种基于 ODE 的递归图像配准网络（ORRN），用于在 4D 医学数据中建模呼吸运动以及心跳等器官运动，具有较高的配准精度、形变可信度和计算效率，可用于放射治疗中的快速准确的呼吸运动估计或胸部针头插入的机器人运动规划，同时也可应用于其他医学图像配准任务。

    May, 2023

  • 通过扩散模型从舒张末期语义图合成超声心动图像

    通过扩展现有的视频扩散模型，基于语义解剖信息生成超声心动图视频的研究，在改进合成过程中整合空间调整归一化，以提高生成视频的逼真性和连贯性，并在 CAMUS 数据集上展示了优于标准扩散技术的性能。

    Oct, 2023